冲上中科院1区TOP！“频域+PINN”发高分SCI易如反掌！
仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
分享一个高潜力、不卷的顶刊idea：频域+PINN。新成果发表在AppliedEnergy（中科院1区TOP）上，一个基于频域物理信息的神经网络FD-PINN，在三维时空风场预测任务中性能出众。
这种结合通过将频域物理约束融入PINN的损失函数，提升模型对频变特性的捕捉能力，在许多应用场景，尤其是波动主导的物理场景中拥有不可替代的作用，潜力巨大，推荐想要发高区的论文er研究。
如果准备入手，今年比较推荐高频Helmholtz方程求解，声学超材料逆向设计，电磁散射快速仿真等课题，同时也建议论文er从具体应用痛点切入，设计问题导向的频域优化策略。需要参考可看我整理的11篇频域+PINN新论文，有代码。
扫码添加小享，回复“物理频域”
免费获取全部论文+开源代码
方法：论文提出了一种频域物理信息神经网络（FD-PINN）方法，将频域信息与深度学习结合，通过嵌入风谱、相干函数等物理模型，实现对风力发电机三维时空风场的高精度预测，尤其在数据稀疏时表现出色。
创新点：
提出频域物理信息神经网络（FD-PINN），用少量测量点就能准确预测风场。
首次结合频域物理模型和深度学习，同时预测风场的时域和频域特性。
在数据稀疏情况下，FD-PINN比传统方法预测更准，减少对密集测量点的需求。
方法：论文提出了一种傅里叶域物理信息神经网络（FD-PINN），将PINN与频域分析相结合，用于解决超快非线性光学中的复杂偏积分微分方程。通过在频域处理积分算子并结合物理定律约束训练，FD-PINN能够在数据稀疏且噪声较大的情况下，高精度预测脉冲传播并发现隐藏的物理参数。
创新点：
提出FD-PINN，将PINN拓展到频域，解决了超快非线性光学中PIDE的求解问题。
设计了连续时间CFD-PINN和离散时间DFD-PINN，分别用于脉冲传播预测和从离散数据中发现隐藏物理。
FD-PINN在低信噪比下表现出色，能从噪声数据中恢复真实物理模型。
扫码添加小享，回复“物理频域”
免费获取全部论文+开源代码
方法：论文提出了一种k-PINN方法，将PINN与频域结合，通过在频域中学习振动响应的傅里叶系数，高效重建薄复合材料层压板的振动模态形状并识别其力学性能。这种方法缓解了传统PINN的频谱偏差问题，降低了计算成本，并实现了对振动模态的快速、准确重建。
创新点：
提出k-PINN，结合频域（𝑘-space）和PINN，解决PINN的频谱偏差问题。
利用振动在𝑘-space的稀疏性，降低计算成本，提高效率。
引入自适应高斯掩模和定制激活函数，实现多模态振动的高效重建。
方法：论文提出了一种时空预测方法，结合物理信息神经网络（PINN）和频域增强技术。通过傅里叶模块处理高频特征，并利用自适应龙格-库塔方法进行物理状态更新，模型在时空预测任务中表现出色，且参数量更少。
创新点：
结合傅里叶模块和矩损失，增强模型对时空动态的估计能力。
设计了自适应二阶龙格-库塔模块，通过物理约束和自适应门控机制精确更新物理状态。
引入高频主导的H1损失，结合均方误差和矩损失，提升预测精度。
扫码添加小享，回复“物理频域”
免费获取全部论文+开源代码
